面向快速数字证据发现的 Scout：利用大语言模型

近期技术的快速发展以及日常活动中技术的普及，导致数字证据在更多法律调查中涉及的可能性显著增加。消费级硬件正变得越来越强大，内存与存储容量扩大，处理器性能提升。 Forensics 调查员往往必须在调查进行期间处理大量数据，这一过程耗时且繁琐。记忆取证、磁盘分析等领域已有成熟工具显著降低了 forensic 调查员的工作负担，这些工具提供字符串搜索、图像文件分析等功能。然而，在调查过程中往往会识别出大量的误报，需要进一步筛选。本文提出 Scout，一种数字取证框架，利用大语言模型进行初步证据处理与优先级排序。Scout 部署基础语言模型，从大量潜在证据文件（磁盘映像、捕获的网络数据包、内存转储等）中识别相关证据，这些文件传统方法下需花费更长时间。Scout 采用基于文本的大语言模型，可轻松处理包含文本信息的文件。对于音频、图像、视频、办公文档等多媒体文件的取证分析，Scout 采用多模态模型。Scout 能够识别并确认对调查员具有潜在兴趣的证据文件。